计算机视觉 / 系统课时
获取 YOLOv5 项目
获取 YOLOv5 项目
本课将完成 YOLOv5 源码下载、虚拟环境创建和依赖安装,并用 detect.py --help 验证项目入口。完成后,你会得到一个可运行、可继续执行推理与训练的本地项目,而不只是解压后的源码目录。
学习目标
- 从官方 Git 仓库获取完整的 YOLOv5 项目
- 在隔离的 Python 环境中安装项目依赖
- 识别推理、训练、验证和导出的主要入口
前置检查
开始前应确认 Git 与 Python 可以在终端中调用。YOLOv5 官方仓库要求 Python 3.8 或更高版本;如果系统同时安装了多个 Python,请始终使用准备创建虚拟环境的那个解释器。
bash
git --version
python --version预期输出
text
git version <VERSION>
Python 3.<MINOR>.<PATCH><VERSION>、<MINOR> 和 <PATCH> 会因本机环境不同而变化。若 python 不存在,可尝试 python3,并在后续命令中保持一致。
获取源码并安装依赖
下面以 macOS 或 Linux 的 Bash 终端为例。命令会克隆官方仓库、创建 .venv 虚拟环境、安装 requirements.txt 中的依赖,并打印推理脚本的帮助信息。
bash
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
python -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt
python detect.py --help预期结果
text
<DEPENDENCY_INSTALL_LOG>
usage: detect.py ... [--weights WEIGHTS [WEIGHTS ...]] [--source SOURCE] ...实际安装包列表和帮助参数顺序可能不同,只要依赖安装过程没有出现 ERROR,并且最后能看到 detect.py 的参数帮助,就说明项目已具备基本运行条件。Windows PowerShell 创建环境的命令相同,激活命令改为 .\.venv\Scripts\Activate.ps1。
理解项目入口
YOLOv5 不是只靠一个脚本运行。仓库将不同任务拆成独立入口,后续操作时应先选对脚本,再配置参数。
| 路径 | 主要职责 |
|---|---|
detect.py |
对图片、视频、摄像头或目录执行目标检测 |
train.py |
使用数据集和模型配置训练权重 |
val.py |
在验证集上计算 Precision、Recall 和 mAP |
export.py |
将权重导出为 ONNX 等部署格式 |
models/ |
保存模型结构配置和相关模块 |
data/ |
保存数据集配置与示例输入 |
utils/ |
提供数据处理、日志、指标和通用工具 |
启动方式的本质是“进入仓库根目录,再执行对应入口脚本”。不要在仓库外直接运行 detect.py,否则相对路径、配置文件和模块导入可能无法正确解析。
典型失败处理
git clone速度慢或中断:确认网络能够访问 GitHub,删除未完整下载的yolov5目录后重新克隆。- 安装依赖时报权限错误:确认虚拟环境已激活,不要使用系统级
sudo pip覆盖全局环境。 - 安装 PyTorch 失败:先根据 CPU 或 CUDA 环境安装匹配的 PyTorch,再重新执行
python -m pip install -r requirements.txt。 detect.py找不到模块:确认当前目录就是包含detect.py、train.py和requirements.txt的仓库根目录。
本课总结
- 获取项目的可靠路径是克隆官方仓库,并在虚拟环境内安装
requirements.txt。 detect.py --help能同时验证依赖、模块导入和脚本入口是否正常。- 推理、训练、验证和导出分别使用不同入口脚本,运行前必须位于仓库根目录。
下一课预告
下一课将使用 yolov5s.pt 预训练权重和仓库自带图片执行首次目标检测,并读取保存的检测框、类别与置信度结果。
按自己的节奏,确认真正理解。